Autonomes Fahren entwickelt sich nach dem 2021 verabschiedeten Gesetz einmal mehr zum Treiber für Innovation in der Automobilindustrie. Hier kommt es auf ein gut vernetztes Ökosystem und eine kosteneffiziente IT-Infrastruktur an.
Durch Corona, die Chipkrise und steigende Kosten etwas ausgebremst, hat die deutsche Automobil- und Zulieferindustrie jetzt die einmalige Chance, bei autonomem Fahren wieder in die Pole-Position zu gehen. Denn Deutschland will mit dem Mitte 2021 in Kraft getretenen Gesetz das erste Land für vollautomatisiertes Fahren im Regelbetrieb werden.
Riesige Daten, großartige Marktaussichten
Fortschrittliche Fahrerassistenzsysteme oder Advanced Driver Assistence Systems (FAS oder ADAS) sind schließlich auch im Sinne einer nachhaltigen Verkehrsinfrastruktur, weil Roboshuttles und Robotaxis, wie sie Continental 2019 vorgestellt hat, den individuellen Pendlerverkehr deutlich entlasten könnten. Die Analysten von McKinsey haben den ADAS-Markt 2021 bereits auf ein Volumen von 35 Milliarden Dollar taxiert. MarketsandMarkets geht davon aus, dass die weltweiten Umsätze bis 2030 auf 74,9 Milliarden Dollar ansteigen. Das dürfte Musik in den Ohren von C-Level-Verantwortlichen in der deutschen Automotive-Branche sein, ist sie doch auch immer Taktgeber am ADAS-Markt.
Der Innovationsdruck in der Automotive-Branche ist groß, aber die immens hohen Datenmengen, die schon bei der Entwicklung und Testen solcher Systeme anfallen, treiben oft auch die Kosten in die Höhe, weshalb Business-Entscheider oft noch zwischen Aufbruchsgeist und Zögern sind. Dabei sind die wahren Kostentreiber oft noch in veralteten IT-Infrastrukturen und in dem Glauben an die Cloud als Allheilmittel zu suchen.
Reine Cloud-Infrastrukturen können aber bei den in die Petabyte (1.000 Terabyte oder eine Million GB) gehenden riesigen Datenmangen sehr schnell sehr teuer werden und sind auch weniger geeignet, die Daten mit den erforderlichen niedrigen Latenzen hoch- und herunterzuladen.
Auch in Zukunft schnell & kosteneffizient –
Lesen Sie alles über die Daten-Infrastruktur von Continental:
Reine Cloud-Lösungen oft zu langsam und zu teuer
In der Public oder Private Cloud lassen sich zwar riesige Datenmengen abspeichern und berechnen, weitergehende Analysen für FAS- oder ADAS-Systeme zum Beispiel. Aber selbst die Hyperscaler genannten großen Cloud Provider wie Amazon Web Services oder Microsoft Azure müssen dabei oft auch auf Kuriere zurückgreifen, welche diese XXL-Daten auf einem Wechselträger vorbeibringen. Daher rührt der scherzhafte Begriff „Turnschuhnetzwerk“.
Welche Datenmengen bei ADAS anfallen, hängt von dem Grad oder Level der Automatisierung ab. Schon beim teilautomatisierten Fahren (Level 2) mit Lenkassistenten wie dem Autopilot von Tesla und Distronic Plus in der Mercedes S-Klasse können pro Fahrzeug bis zu 20 TB anfallen – am Tag. Bei einer Testflotte von zehn Autos, die mit ihren Kameras, Positionssensoren, Radar- und Lidarsystemen (3D-Laserscannern) bestückt, verschiedene Fahr- und Wettersituationen aufnehmen, können in einer Woche schon ein PB an Daten zusammenkommen. Bei dem in dem oben genannten Gesetz für vollautomatisiertes Fahren (Level 4) käme bei 100 TB pro Fahrzeug und Tag die fünffache Menge an Daten in der Woche zusammen.
Gut vernetze Standorte mit hybriden Infrastrukturen
Daher ist es wichtig, die Aufbewahrung und Verarbeitung der Daten möglichst nah ans Geschehen zu bringen. Equinix verfügt als führender netzbetreiberunabhängiger Anbieter von Rechenzentrums- und Colocation-Kapazitäten über mehr als 220 IBX-Standorte (International Business Exchange) weltweit mit großer Nähe zu den Kunden. Für große Datenmengen hat Equinix ein „Digital Data Garage“ genanntes Konzept entwickelt, das es ermöglicht, dass Testfahrzeuge für die ADAS-Entwicklung ihre Daten bis vor die Tür bringen. In der „Garage“ laufen in einem hybriden Mix aus Public und Private Cloud sowie der on-premises vorhandenen Hardware eine Reihe von Prozessen ab, um die IoT-Daten zu analysieren, auszuwerten, zu verarbeiten und mit intelligenten Algorithmen angereichert in dem Testfahrzeug und später marktgerecht auch in anderen Fahrzeugen nutzbar zu machen.
Wie Big Data und Co. ins Spiel kommen
Da es sich bei den von den Kameras, Sensoren, Radarsystemen und so weiter aufgenommenen riesigen Mengen an Rohdaten aus der Edge (Rand der Peripherie) meist um unstrukturierte Daten handelt, sind fortschrittliche Analyseverfahren nötig, wie sie Advanced und Big Data Analytics ermöglichen. Künstliche Intelligenz und Machine Learning (KI oder AI und ML) sorgen dafür, dass die so ausgestatteten Fahrzeuge später erkennen, welche Objekte oder Personen vor ihm sind, um gegebenenfalls ein Ausweich- oder Bremsmanöver einzuleiten.
HIL- und SIL-Testumgebungen (Hardware und Software in the Loop) für die Simulation helfen, die Algorithmen ständig zu verbessern, wofür die Daten mit möglichst niedriger Latenz oder sogar in Echtzeit verfügbar sein müssen. Aus oben genannten Gründen ist eine reine Cloud-Lösung dafür wenig geeignet und eine hybride hyperkonvergente Infrastruktur mit containerisierten Hybrid-Cloud-Umgebungen, wie Equinix sie bietet, der bessere Weg. Eine Public oder große Private Cloud erfüllt natürlich dennoch wichtige Aufgaben, wie die Big-Data-Berechnungen und die für den Versicherungsfall unabdingbare DSGVO-konforme Datenhaltung.
High-end-Grafikkarten helfen KI auf die Sprünge
Um Hunderttausende von Bildern pro Sekunde in Echtzeit verarbeiten zu können und die KI- und ML-Trainings zu beschleunigen, sind High Performance Computing Cluster mit meist mehreren leistungsstarken Grafikkarten nötig. So ein Cluster aus Hard- und Software sind die von NVIDIA „KI-Rechenzentrum-in-a-Box“ genannten DGX Stations für Deep Learning und das Training künstlicher neuronaler Netze. Und das kam für das Vision-Projekt ADAS von Continental in einem IBX-Rechenzentrum von Equinix zum Einsatz.
Der große Automobilzulieferer hatte eine Testflotte von Roboshuttles mit Sensoren ausgestattet, die zusammen täglich mehr als 15.000 Kilometer zurücklegte, um bis zu 100 TB an Daten je Fahrzeug an einem Tag aufzuzeichnen. Die NVIDIA DXG Station sollte helfen, die unterschiedlichsten Situationen zu erkennen und zu entscheiden, wie darauf zu reagieren ist. IBM hat die Racks mit ultraschnellen NVMe-Laufwerken und mit IBM Spectrum Scale eine Kubernetes-Container-Umgebung beigetragen, die ebenfalls half, die KI-Trainingszeiten um 70 Prozent zu reduzieren. Platform Equinix schafft als größte Rechenzentrumsplattform mit über 99,9999 Prozent Verfügbarkeit die Nähe zu den Daten. Außerdem hat das IBX-Rechenzentrum Continental auch überzeugt, weil es bereits ein großes Ökosystem aus anderen Branchenunternehmen bietet.
Schnelle Datenübertragung und geringe Latenzen für den Boost in der Innovationsentwicklung:
Erfahren Sie alles über Continentals Daten-Umgebung.
Quelle Titelbild: Unsplash / Karol D